多元时间序列上的输入LSTM
我试图使用LSTM对多元数据进行时间序列预测。我有50000个15维的样品。我想用10的回顾。输入到LSTM层的形状是什么。会吗
(samples,look back,dimension) = (50000,10,15)
或
(samples,dimension, look back) = (50000,15,10)
我正在使用Keras。
共有1个答案
你可以在Keras留档中读到：
输入形状
3D张量与形状（batch_size，时间步长，input_dim）。
所以‘时间’维度是第一位的。因为你的时间维度是10，你的输入形状将是（50000,10,15)
我希望这有帮助：-）
-
根据教程，我为我的数据集开发了多元输入多步骤LSTM时间序列预测模型(https://machinelearningmastery.com/how-to-develop-lstm-models-for-multi-step-time-series-forecasting-of-household-power-consumption/). 然而，我有一个非常奇怪的问题，那就是，当我使用较小的样本（5
-
我正在阅读Keras中关于使用LSTM进行多元时间序列预测的教程https://machinelearningmastery.com/multivariate-time-series-forecasting-lstms-keras/#comment-442845 我已经看完了整个教程，遇到了一个如下的问题- 在本教程中，在步骤“t-1”中，列车和测试拆分有8个功能，即“污染”、“露水”、“温度”、
-
我是时间序列的新手，需要学科专家的帮助。所以我有一个有11个变量的实验室数据，报告了时间。10个变量是可控的，第11个变量是输出。我用LSTM预测了第11个变量的时间序列。结果比预期好得多。第11个变量预测为0.001 RMSE。训练数据有5000个样本，测试数据有4599个。我对预测很满意。现在我需要分析输入10个变量是如何影响第11个输出变量的。请建议一个好的库，类似问题的教程。
-
我试图使用LSTM模型对多元时间序列数据进行二分类。我在一天中收集了大约100天的7个属性（即100个大小[9000,7]的数组）。这些数组中的每一个都具有1或0的单一分类状态。 考虑到我对Keras和机器学习一般来说都是新手，我开始尝试建立尽可能简单的模型，但当我尝试训练他们时，我在输入形状方面不断出错。例如，我的第一层： 对于float64类型的X_列，大小为（100L、9000L、7L），我
-
我想在Pytorch中实现多变量输入的LSTM。 在这篇使用keras的文章https://machinelearningmastery.com/how-to-develop-lstm-models-for-time-series-forecasting/之后，输入数据的形状是（样本数、时间步数、并行特征数） 在keras，这似乎很容易：
-
我试图理解如何正确地将数据输入到我的keras模型中，以便使用LSTM神经网络将多变量时间序列数据分为三类。 我已经看了不同的资源——主要是杰森·布朗利的这三篇优秀的博客文章，其他的SO问题和不同的论文，但是没有一个信息完全符合我的问题案例，我也不知道我的问题是否数据预处理/将其输入模型是正确的，所以我想如果我在这里指定我的确切条件，我可能会得到一些帮助。 我试图对多元时间序列数据进行分类，其原始